User: Guest  Login
Original title:
Learning to Estimate 3D Object Pose from Synthetic Data 
Translated title:
Deep Learning für 3D-Objektposenschätzung unter Verwendung von synthetischen Daten 
Year:
2020 
Document type:
Dissertation 
Institution:
Fakultät für Informatik 
Advisor:
Ilic, Slobodan (Priv.-Doz. Dr.) 
Referee:
Ilic, Slobodan (Priv.-Doz. Dr.); Lepetit, Vincent (Prof. Dr.) 
Language:
en 
Subject group:
DAT Datenverarbeitung, Informatik; MED Medizin 
Keywords:
3D object pose estimation, domain adaptation 
TUM classification:
MED 230d; DAT 760d 
Abstract:
This thesis addresses the tasks of 3D object pose estimation and domain adaptation using deep learning-based methods. The first part presents pose estimation solutions of various complexity relying on manifold learning, dense correspondences, and differentiable rendering. This is followed by a number of works explicitly tackling the domain gap problem when training from synthetic data using the introduced reverse domain adaptation and adversarial domain randomization techniques. 
Translated abstract:
Diese Arbeit befasst sich mit den Aufgaben der 3D-Objektposenschätzung und Domain Adaptation basierend auf Deep-Learning Methoden. Der erste Teil präsentiert Ansätze von unterschiedlicher Komplexität zur Bestimmung einer Pose, welche auf Manifold Learning, dichten Punktkorrespondenzen und differenzierbarem Rendering beruhen. Darauf folgen eine Reihe von Arbeiten, welche sich explizit mit dem Domain-Gap Problem auseinandersetzen, welches entsteht wenn auf synthetischen Daten trainiert wird, und...    »
 
Oral examination:
12.11.2020 
File size:
25966777 bytes 
Pages:
180 
Last change:
02.03.2021